请解释主成分分析（PCA）的核心思想，并说明其在数据分析中的主要用途。

回答思路

1. 【回答框架 1】PCA是一种线性降维技术，通过正交变换将原始特征投影到新坐标系，使新特征（主成分）按方差从大到小排列，且彼此不相关。
2. 【回答框架 2】其核心目标是保留数据最大方差方向，用较少的新特征（主成分）表示原始数据的大部分信息，从而降低维度，减少冗余和噪声。
3. 【回答框架 3】在数据分析中，PCA常用于数据可视化、特征压缩、去相关性以及预处理步骤，可加速模型训练并缓解过拟合。
4. 【回答框架 4】使用PCA时需注意标准化数据（消除量纲影响），且主成分的可解释性可能下降，需根据累计方差贡献率选择保留的主成分数量。
5. 【关键点 1】PCA通过线性变换提取方差最大的正交方向作为主成分。
6. 【关键点 2】它用于降维、可视化、去相关和特征压缩，可提升模型效率。
7. 【关键点 3】使用前需标准化数据，并根据累计方差贡献率确定主成分个数。
8. 【易错点 1】PCA是线性方法，对非线性结构的还原效果有限。
9. 【易错点 2】未标准化数据可能导致主成分被量纲大的特征主导。
10. 【易错点 3】主成分失去原始特征的物理含义，解释性降低。